Vírus Sincicial Respiratório (VSR) e Palivizumabe (PVZ)


RSV


a)

Descrever as características clínicas, epidemiológicas e desfechos de crianças ≤ 2 anos de idade, hospitalizadas com diagnóstico de Síndrome Respiratória Aguda Grave (SRAG), comparando pacientes positivos para VSR e pacientes positivos para outros vírus respiratórios

No painél seguinte coloquei Sexo e PVZ, mas posso inserir mais ou substituir pela figura que você achar melhor.

b)

Correlacionar a gravidade da doença com o perfil molecular do VSR

c)

Comparar fatores genéticos das IL28B de susceptibilidade em crianças ≤ 2 anos de idade, previamente saudáveis, sem comorbidades, entre infectadas por RSV e outros vírus respiratórios

Dados recentes da literatura relacionam os SNPs das regiões e rs8099917 da interleucina 28B (IL28B) com susceptibilidade ou proteção para doenças infeciosas.Os polimorfismos SNPs rs12979860 e rs8099917 do gene 28B da interleucina-28B são conhecidos por influenciar a expressão do interferon lambda 3

Para o cálculo dos seguintes p-valores, via teste qui-quadrado, foram descartadas a virologia negativo e os IL28bs não disponíveis


Olhando para o IL28b rs12979860, existe diferença estatísticamente significativa entre as frequências de CC, CT e TT, do vírus RSV para outros vírus? Não, p-valor de 0.298

Olhando para o IL28b rs8099917, existe diferença estatísticamente significativa entre as frequências de TT, TG e GG, do vírus RSV para outros vírus? Não, p-valor de 0.198

Agora,

Olhando para o IL28b rs12979860 apenas no vírus RSV, existe diferença estatísticamente significativa entre as frequências de CC, CT e TT? Sim, p-valor de 0.000144

Olhando para o IL28b rs8099917 apenas no vírus RSV, existe diferença estatísticamente significativa entre as frequências de TT, TG e GG? Sim, p-valor de 0.00000000000000181 (1.81e-15)

Olhando para o IL28b rs12979860 apenas nos outros vírus, existe diferença estatísticamente significativa entre as frequências de CC, CT e TT? Não, p-valor de 0.674

Olhando para o IL28b rs8099917 apenas nos outros virus, existe diferença estatísticamente significativa entre as frequências de TT, TG e GG? Sim, p-valor de 0.0000147

Olhando para o IL28b rs12979860, existe diferença estatísticamente significativa entre as frequências de CC, CT e TT, do vírus RSV para outros vírus? Não, p-valor de 0.656

Olhando para o IL28b rs8099917, existe diferença estatísticamente significativa entre as frequências de TT, TG e GG, do vírus RSV para outros vírus? Não, p-valor de 0.634

Agora,

Olhando para o IL28b rs12979860 apenas no vírus RSV, existe diferença estatísticamente significativa entre as frequências de CC, CT e TT? Sim, p-valor de 0.0224

Olhando para o IL28b rs8099917 apenas no vírus RSV, existe diferença estatísticamente significativa entre as frequências de TT, TG e GG? Sim, p-valor de 0.0000000127

Olhando para o IL28b rs12979860 apenas nos outros vírus, existe diferença estatísticamente significativa entre as frequências de CC, CT e TT? Não, p-valor de 0.627

Olhando para o IL28b rs8099917 apenas nos outros virus, existe diferença estatísticamente significativa entre as frequências de TT, TG e GG? Sim, p-valor de 0.00549


# A tibble: 10 x 5
   Par   Negativo `Outros\nvírus`   RSV Total
   <chr>    <dbl>           <dbl> <dbl> <dbl>
 1 CC/GG        2               0     3     5
 2 CC/TG        0               1     1     2
 3 CC/TT       16              20    33    69
 4 CT/GG        1               1     0     2
 5 CT/TG       32              13    58   103
 6 CT/TT       11              11    22    44
 7 TT/GG        7               6     5    18
 8 TT/TG        3               9    12    24
 9 TT/TT       22               8    38    68
10 Total       94              69   172   335

Olhando apenas para os sem comorbidade

# A tibble: 10 x 5
   Par   Negativo `Outros\nvírus`   RSV Total
   <chr>    <dbl>           <dbl> <dbl> <dbl>
 1 CC/GG        1               0     3     4
 2 CC/TG        0               1     0     1
 3 CC/TT       11              12    20    43
 4 CT/GG        1               0     0     1
 5 CT/TG       14              11    33    58
 6 CT/TT        8               6    12    26
 7 TT/GG        4               5     4    13
 8 TT/TG        2               5     8    15
 9 TT/TT       16               4    24    44
10 Total       57              44   104   205

Retirado os negativos

# A tibble: 2 x 10
  Tipo            `CC/GG` `CC/TG` `CC/TT` `CT/GG` `CT/TG` `CT/TT` `TT/GG` `TT/TG` `TT/TT`
  <chr>             <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>
1 "Outros\nvírus"       0       1      12       0      11       6       5       5       4
2 "RSV"                 3       0      20       0      33      12       4       8      24
# A tibble: 4 x 4
  SNPs  QuiQuadrado    df `p-valor`
  <chr>       <dbl> <dbl>     <dbl>
1 CC/TT         2       1  0.157   
2 CT/TG        11       1  0.000911
3 CT/TT         2       1  0.157   
4 TT/TT        14.3     1  0.000157

PVZ


a)

Analisar características clínicas e epidemiológicas dos lactentes elegíveis para uso do palivizumabe, adesão às doses e principais critérios de indicação

Doses Liberadas Realizadas AdesãoPerc
1 290 290 100.000
2 281 277 98.577
3 245 242 98.776
4 206 199 96.602
5 153 140 91.503

        Média StandardDeviation   n
[1,] 6.015203          5.420977 296
# A tibble: 2 x 4
  Sexo      `mean(IdadeIm)` `sd(IdadeIm)` `n()`
  <chr>               <dbl>         <dbl> <int>
1 Feminino             5.79          5.04   147
2 Masculino            6.24          5.78   149

b)

Avaliar dados clínicos e epidemiológicos dos lactantes que apresentaram falhas de prevenção pós-imunoprofilaxia e avaliar possíveis casos de resistência ao anticorpo monoclonal

Hipóteses a serem testadas


a)

As infecções por VSR são mais graves em pacientes pediátricos < 2 anos, comparadas a infecções por outros vírus respiratórios.


Olhando para internamento UTI, existe diferença estatísticamente significativa entre RSV e outros vírus? Sim, p-valor de 0.00158

# A tibble: 2 x 3
  Virologia         Não   Sim
  <chr>           <int> <int>
1 "Outros\nvírus"    94    19
2 "RSV"             133    69
# A tibble: 1 x 4
  statistic p.value parameter method                                                      
      <dbl>   <dbl>     <int> <chr>                                                       
1      9.98 0.00158         1 Pearson's Chi-squared test with Yates' continuity correction

Olhando para tempo total de internamento, existe diferença estatísticamente significativa em termos de tempo médio entre RSV (média de 9.97, 202 pacientes) e outros vírus (média de 9.38, 113 pacientes)? Não, p-valor de 0.468

# A tibble: 1 x 10
  estimate estimate1 estimate2 statistic p.value parameter conf.low conf.high method     alternative
     <dbl>     <dbl>     <dbl>     <dbl>   <dbl>     <dbl>    <dbl>     <dbl> <chr>      <chr>      
1   -0.585      9.38      9.97    -0.727   0.468      266.    -2.17     0.999 Welch Two… two.sided  

Olhando para desfecho, existe diferença estatísticamente significativa entre RSV e outros vírus? Sim, p-valor de 0.016

# A tibble: 2 x 3
  Virologia        Alta Óbito
  <chr>           <int> <dbl>
1 "Outros\nvírus"   109     4
2 "RSV"             202     0
# A tibble: 1 x 6
  estimate p.value conf.low conf.high method                             alternative
     <dbl>   <dbl>    <dbl>     <dbl> <chr>                              <chr>      
1        0  0.0160        0     0.835 Fisher's Exact Test for Count Data two.sided  

Olhando para internação prévia, existe diferença estatísticamente significativa entre RSV e outros vírus? Sim, p-valor de 0.0000137

# A tibble: 2 x 3
  Virologia         Não   Sim
  <chr>           <int> <int>
1 "Outros\nvírus"    72    41
2 "RSV"             173    29
# A tibble: 1 x 4
  statistic   p.value parameter method                                                      
      <dbl>     <dbl>     <int> <chr>                                                       
1      18.9 0.0000137         1 Pearson's Chi-squared test with Yates' continuity correction

Olhando para score gravidade, existe diferença estatísticamente significativa entre RSV e outros vírus? Sim, p-valor de 0.00123

# A tibble: 2 x 4
  Virologia        Leve Médio Grave
  <chr>           <int> <int> <int>
1 "Outros\nvírus"    33    54    26
2 "RSV"              59    60    83
# A tibble: 1 x 4
  statistic p.value parameter method                    
      <dbl>   <dbl>     <int> <chr>                     
1      13.4 0.00123         2 Pearson's Chi-squared test

b)

Fatores genéticos influenciam em maior suscetibilidade à infecção pelo VSR em crianças previamente saudáveis e sem comorbidades

IL28Bs? Se sim, já analizado.

c)

A utilização de imunização passiva com PVZ diminui a frequência e gravidadade das infecções por RSV em pacientes pediátricos de alto risco

Olhando para virologia RSV e score gravidade, grave. Diferença estatísticamente significativa, p-valor de 0.0000000000000363 (3.63e-14)

# A tibble: 2 x 2
  PVZ       n
  <chr> <int>
1 Não      76
2 Sim       7
# A tibble: 1 x 4
  statistic  p.value parameter method                                  
      <dbl>    <dbl>     <dbl> <chr>                                   
1      57.4 3.63e-14         1 Chi-squared test for given probabilities

New figures


P-values and new new figures


Pós-qualificação


Em vermelho: p < 0.05; em amarelo: 0.05 < p < 0.2
variable pvalue p<0.2 test
Virologia 0.0224 Yes Chi-square
Coinfecção com RSV 0.1119 Yes Chi-square
rs12979860 0.5703 No Chi-square
rs8099917 0.1089 Yes Chi-square
Genótipo 0.1126 Yes Chi-square
Sexo 0.1726 Yes Chi-square
PVZ 0.2159 No Chi-square
Diagnóstico 0.3072 No Chi-square
Classificação FR 0.8279 No Chi-square
Esforço respiratório 0.7843 No Chi-square
Comorbidade 0.0008 Yes Chi-square
ComorbidadeN 0.0037 Yes Chi-square
Saturação de O2 0.0003 Yes Chi-square
Catet./Masc. 0.0126 Yes Chi-square
Uso de antibiótico 0.0000 Yes Chi-square
Raio-X do tórax 0.0310 Yes Chi-square
Co-infecção bacteriana 0.0022 Yes Chi-square
Tosse 0.0003 Yes Chi-square
Coriza 0.0002 Yes Chi-square
Febre 0.5033 No Chi-square
Temperatura 0.1092 Yes Chi-square
Sibilos 0.1892 Yes Chi-square
Cianose 0.0000 Yes Chi-square
tabagismo ambiente 0.0036 Yes Chi-square
Internação prévia 0.7875 No Chi-square
Frequenta creche 0.0272 Yes Chi-square
Irmão em creche (S/N) 0.1309 Yes Chi-square
Score gravidade 0.0000 Yes Chi-square
Peso Nasc. 0.0157 Yes t-test
Peso atual 0.0000 Yes t-test
Idade Gestacional 0.0124 Yes t-test
Idade 0.0012 Yes t-test
FREQ.RESP. 0.0643 Yes t-test
dUTI 0.0000 Yes t-test
tempo 0.0000 Yes t-test
Sat. de O2 admissão 0.0000 Yes t-test

136 patients with severity yes (28%) and 332 no (71%).

Em termos de regressão logística, temos aqui duas possíveis abordagens. A primeira é pensando em saber quais são os fatores que melhor discriminam o desfecho (severidade, sim ou não), esse foi o caminho tomado inicialmente. O segundo caminho, acrescentado agora, é o mais tradicional. Nesse caminho nós simplesmente ajustamos o modelo, fazemos uma seleção de variáveis com base em algum critério, e chegamos nas caracterśiticas com maior associação com o desfecho. A partir desse segundo caminho que chegamos de maneira muito mais fácil nas razões de chance e quantificação da incerteza.

Peguei as variáveis significativas num nível de 20% de maneira univariada i.e., olhando unicamente pra cada variável em termos do desfecho severidade (se qualitativa, fiz um teste qui-quadrado; se quantitativa, fiz um teste-t).

No primeiro caminho fiz o seguinte:

Dividi a base de dados de maneira aleatória em dois grupos que chamei de treino (contendo 75% dos dados) e teste (contendo 25% dos dados). Basicamente, ajustei o modelo na base de treino e testei seu poder preditivo na base de teste. Pra não ficar muito refém (vamos dizer assim), de quem acabou ficando aleatóriamente na base de treino ou de teste, repeti esse mesmo processo 10 vezes. Ou seja, refiz o mesmo processo 10 vezes, dividindo a base de maneira sempre aleatória (mas sempre tentando manter a proporção de pacientes com desfecho sim e não nas bases), ajustando o modelo na base de treino e testando na de teste. De tal modo, acabamos com 10 modelos. Fiz a média dos 10, e assim cheguei nos dois gráficos apresentados. Essa abordagem é muito boa pois coloca o algorimo em prática, vendo se aqueles fatores de risco que permaneceram no modelo realmente são capazes de discriminar os pacientes em termos do desfecho. No gráfico de barras temos os 10 fatores/características mais relevantes na média dos 10 modelos ajustados nas 10 bases de treino. E no gráfico “quadrado” a performance média nas 10 bases de teste. 25% da base de dados correspondem a 117 pacientes. Nesse processo, a seleção de fatores de risco é feita com base num paramêtro de penalidade, chamado de LASSO (https://glmnet.stanford.edu/). Quando temos isso numa regressão logística, temos o que é chamado de regressão logística penalizada. Nesse processo também temos o que é chamado de validação cruzada pra escolha do parâmetro de tunning, essencial nessa abordagem. As referências pra isso aqui eu já te passei, essa é apenas uma explicação mais detalhada.

No segundo caminho:

Aqui é mais simples (o tradicional). Peguei aquelas covariáveis e ajustei o modelo, usando todos os pacientes. Fiz seleção de variáveis/fatores com base no critério de Akaike (AIC). O modelo final é apresentado aqui ao final, com estimativa pontual, erro padrão, chance e p-valor.

Estimate Standard error Odds ratio OR 2.5% CI OR 97.5% CI P-value
(Intercept) 3.716 1.016 41.103 6.127 3.396920e+02 0.000
VirologiaOutros vírus -1.094 0.489 0.335 0.125 8.560000e-01 0.025
VirologiaRSV 0.109 0.397 1.116 0.510 2.438000e+00 0.783
rs8099917Não disponível -1.307 0.701 0.271 0.067 1.062000e+00 0.062
rs8099917TG -1.254 0.696 0.285 0.071 1.103000e+00 0.072
rs8099917TT -1.888 0.687 0.151 0.038 5.680000e-01 0.006
SexoMasculino 0.760 0.346 2.137 1.097 4.290000e+00 0.028
ComorbidadeSim 18.144 882.744 75855109.112 0.000 NA 0.984
ComorbidadeN1 -18.203 882.744 0.000 NA 1.212305e+70 0.984
ComorbidadeN2 -15.975 882.744 0.000 NA 8.757561e+70 0.986
Saturação_de_O2maior95 0.112 0.566 1.118 0.357 3.361000e+00 0.843
Saturação_de_O2menor90 -1.932 0.577 0.145 0.042 4.190000e-01 0.001
Uso_de_antibióticoSim 1.504 0.404 4.499 2.081 1.021800e+01 0.000
Sibilos -1.240 0.367 0.289 0.136 5.800000e-01 0.001
Score_gravidadeLeve -6.108 0.718 0.002 0.000 8.000000e-03 0.000
Score_gravidadeMédio -5.079 0.580 0.006 0.002 1.800000e-02 0.000

CI: Confidence Interval

Dado que agora você está interessada nas razões de chance, acho super interessante usar as duas abordagens. Com a segunda você tem a tabela acima. As variáveis que não constam ali é porque não foram significativas e sairam do modelo. A primeira abordagem te fornece uma outra maneira de ver quais são os fatores mais relevantes pra cada desfecho. Pela tabela é difícil ver isso. Sem falar que ela coloca o modelo em prática, verificando seu poder preditivo com base na acurária.